本發(fā)明屬于行星齒輪故障診斷
技術(shù)領(lǐng)域：
，涉及了一種基于自適應(yīng)噪聲的完備總體經(jīng)驗(yàn)?zāi)B(tài)分解和模糊熵的行星齒輪故障診斷方法。
背景技術(shù)：
：行星齒輪傳動(dòng)具有體積小、重量輕、傳動(dòng)比大的優(yōu)點(diǎn)，被廣泛應(yīng)用于用于大型復(fù)雜設(shè)備傳輸系統(tǒng)的關(guān)鍵部分。行星齒輪往往工作環(huán)境惡劣，承受載荷過大，從而導(dǎo)致其故障經(jīng)常發(fā)生，嚴(yán)重影響機(jī)械設(shè)備的可靠性,甚至導(dǎo)致重大事故。由于復(fù)雜結(jié)構(gòu)、安裝誤差和工況條件等影響,導(dǎo)致出現(xiàn)較多的調(diào)幅與調(diào)頻現(xiàn)象，表現(xiàn)出更強(qiáng)烈的非線性、非平穩(wěn)特性。因此,如何診斷行星齒輪故障是當(dāng)前研究的熱點(diǎn)。通過研究行星齒輪發(fā)現(xiàn)，本文所述故障診斷方法,適用于處理非平穩(wěn)振動(dòng)信號(hào)輪,并通過結(jié)合先進(jìn)的分類方法提取出行星齒輪的故障診斷特征。傳統(tǒng)的故障特征提取方法是時(shí)域分析和頻域分析，并在故障診斷中提取時(shí)域和頻域的一些指標(biāo)。但這些傳統(tǒng)指標(biāo)只具有統(tǒng)計(jì)特性和全局意義，因此它們不適合處理非平穩(wěn)信號(hào)的非線性系統(tǒng)所產(chǎn)生的非平穩(wěn)信號(hào)。EMD是一種自適應(yīng)時(shí)頻分析方法，其分解過程是基于自身的數(shù)據(jù)的，可將非平穩(wěn)振動(dòng)信號(hào)分解為一系列IMF。但EMD分解存在2個(gè)主要的缺點(diǎn)即端點(diǎn)效應(yīng)和模態(tài)混疊，端點(diǎn)效應(yīng)會(huì)嚴(yán)重影響IMF分量的質(zhì)量，模態(tài)混疊將使IMF失去其本身的物理含義，甚至產(chǎn)生虛假分量，目前解決問題的主要方法之一是基于高斯白噪聲頻率均一特性的EEMD分解。但在有限的時(shí)間整體平均后重建的信號(hào)仍然包含了一定幅度的殘余噪聲，雖然它可以通過增加平均數(shù)減少重建誤差，但這將增加的計(jì)算規(guī)模。同時(shí)，由于增加了高斯白噪聲的每一次不同的是，這將導(dǎo)致分解出的IMF和殘余信號(hào)是不同的。因此，該不是一個(gè)完整的分解過程。如何獲得完備的本征模態(tài)函數(shù)是目前急需解決的問題。熵計(jì)算首先是應(yīng)用于熱力學(xué)計(jì)算，后來經(jīng)過研究人員推廣，在數(shù)字信號(hào)處理領(lǐng)域中得到應(yīng)用，它可以反映信號(hào)的復(fù)雜性和穩(wěn)定性，適用于處理非線性系統(tǒng)產(chǎn)生的非平穩(wěn)信號(hào)。目前，研究人員已提出了奇異譜熵、功率譜熵和樣本熵等10種方法。其中樣本熵反映了信號(hào)的復(fù)雜度，并被應(yīng)用于機(jī)械設(shè)備的故障特征提取中。但在樣本熵的計(jì)算過程中，信號(hào)的相似性是二分法，即：相似性和相異性。但在實(shí)際信號(hào)相似性的比較過程中，相似程度是連續(xù)的、模糊的，通過簡單的閾值設(shè)置很難準(zhǔn)確的辨別故障特征。目前，熵計(jì)算與神經(jīng)網(wǎng)絡(luò)相結(jié)合，在特征信息提取和智能分類中的廣泛應(yīng)用，如何選用合適的特征參數(shù)與建立完善的神經(jīng)識(shí)別網(wǎng)絡(luò)，是現(xiàn)在研究的一大熱點(diǎn)。技術(shù)實(shí)現(xiàn)要素：發(fā)明目的：為了克服現(xiàn)有技術(shù)中存在的不足，本發(fā)明提供一種技術(shù)方案：為實(shí)現(xiàn)上述目的，本發(fā)明的行星齒輪故障診斷方法包括以下步驟：1)利用布置在行星齒輪箱外殼上的振動(dòng)傳感器測量行星齒輪的振動(dòng)信號(hào)；2)利用基于自適應(yīng)噪聲的完備總體經(jīng)驗(yàn)?zāi)B(tài)分解方法對步驟1)所得到的振動(dòng)信號(hào)進(jìn)行分解，提取包含故障特征信息的完備的本征模態(tài)函數(shù)；3)構(gòu)造步驟2)中所提取的各本征模態(tài)函數(shù)的空間向量矩陣，并計(jì)算各組空間向量之間的距離，引入模糊函數(shù)根據(jù)每兩組空間向量間的距離描述該兩組空間向量之間的相似性，進(jìn)一步根據(jù)樣本熵定義得到故障特征的指標(biāo)——模糊熵；4)采用MLP神經(jīng)網(wǎng)絡(luò)進(jìn)行行星齒輪狀態(tài)識(shí)別：以各本征模態(tài)函數(shù)的模糊熵作為MLP神經(jīng)網(wǎng)絡(luò)的輸入，確定MLP神經(jīng)網(wǎng)絡(luò)的輸入層、隱含層和輸出層的網(wǎng)絡(luò)結(jié)構(gòu)，利用訓(xùn)練樣本對MLP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，以MLP神經(jīng)網(wǎng)絡(luò)輸出值和標(biāo)準(zhǔn)值的差值的均方差作為MLP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練標(biāo)準(zhǔn)，完成隱含層和輸出層的權(quán)重參數(shù)調(diào)整，最終利用訓(xùn)練完畢的MLP神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)行星齒輪故障種類的識(shí)別與分類。進(jìn)一步地，步驟1)中所述的振動(dòng)信號(hào)分為行星傳動(dòng)太陽輪正常狀態(tài)、斷齒狀態(tài)、少齒狀態(tài)、齒輪磨損和齒根裂紋五種類型。進(jìn)一步地，所述步驟2)中的基于自適應(yīng)噪聲的完備總體經(jīng)驗(yàn)?zāi)B(tài)分解方法的分解過程如下：a)選擇加入的白噪聲次數(shù)M，并確定所加噪聲的幅值；b)得到加入m次白噪聲的加噪振動(dòng)信號(hào)；c)對加入白噪聲的振動(dòng)信號(hào)進(jìn)行經(jīng)驗(yàn)?zāi)B(tài)分解，得到1個(gè)本征模態(tài)函數(shù)IMF1；d)如果m<M，m＝m+1，再次進(jìn)行步驟b)和c)，直到m＝M；e)計(jì)算加入M次噪聲分解的每一個(gè)本征模態(tài)函數(shù)IMF1的總體平均，并得出剩余信號(hào)r1(t)，計(jì)算公式為IMF1(t)=1MΣm=1ME{x(t)+ϵ0ωm(t)}]]>r1(t)＝x(t)-IMF1(t)其中x(t)是采集到的振動(dòng)信號(hào)，ωm(t)是單位方差均值為零的的噪聲信號(hào)，ε0是噪聲的振幅；f)計(jì)算第二個(gè)本征模態(tài)函數(shù)IMF2，計(jì)算過程如下：IMF2(t)=1MΣm=1ME1{r1(t)+ϵ1E1(ωm(t))};]]>g)計(jì)算其他本征模態(tài)函數(shù)IMF，定義k＝2,3.....K，第k+1個(gè)IMF可由下式表示rk(t)=rk-1(t)-IMFk(t)IMFk+1(t)=1MΣm=1ME1{rk(t)+ϵkEk(ωm(t))}]]>h)重復(fù)步驟g)，直到剩余信號(hào)的極值點(diǎn)不超過兩個(gè)，停止分解。進(jìn)一步地，所述步驟3)中的模糊熵的計(jì)算過程如下：a)定義由本征模態(tài)函數(shù)組成的向量組AiAi＝{z(i),z(i+1),...,z(i+m-1)}-u0(i)i＝1,2,...,n-m+1其中u0(i)為每個(gè)向量的均值，m表示向量的長度，其表示函數(shù)如下：u0(i)=1mΣe=1m-1z(i+e)]]>b)計(jì)算每兩組向量之間的距離dijm(Ai,Aj)=max(|Ai(l)-Aj(l)|),l=1,2,...,n;]]>c)用指數(shù)模糊函數(shù)描述每組向量之間的相似性Dijm=e-(dijm/r)n;]]>其中n是指數(shù)函數(shù)的邊界梯度，r是相似極限，其由信號(hào)的標(biāo)準(zhǔn)偏差來設(shè)定；求取模糊熵表示函數(shù)Bm：Bm=1n-mΣi=1n-m|1n-m-1Σj=1,j≠in-mDijm|]]>d)令m＝m+1，重復(fù)步驟(1)到(4)，得到Bm+1Bm+1=1n-m-1Σi=1n-m-1|1n-m-2Σj=1,j≠in-m-1Dijm+1|]]>e)通過求相鄰函數(shù)Bm比值的對數(shù)即可得出模糊熵FuzzyEn=ln(Bm/Bm+1).]]>進(jìn)一步地，所述步驟4)中的MLP神經(jīng)網(wǎng)絡(luò)訓(xùn)練過程如下：a)初始化MLP神經(jīng)網(wǎng)絡(luò)的連接權(quán)值，并將所述步驟3)提取的模糊熵傳遞到輸入層；然后將輸入層的輸入特征傳遞到隱含層，計(jì)算隱含層的每個(gè)隱含神經(jīng)元sh，計(jì)算公式如下：sh=f(ΣjJxijWjh+θh)]]>其中：xij是輸入特征；Wjh是輸入神經(jīng)元和隱含神經(jīng)元之間的連接權(quán)值；θh是偏差值；f()是隱含神經(jīng)元的激活函數(shù)；b)將隱含層神經(jīng)元的計(jì)算結(jié)果傳遞到輸出層進(jìn)行計(jì)算得到輸出神經(jīng)元yok，計(jì)算公式如下：yok=g(ΣjJshWhk+ηk)]]>其中：sh是第h個(gè)隱含層輸出；Whk是隱含層神經(jīng)元和輸出層神經(jīng)元之間的連接權(quán)值；ηk是偏差值；g()是隱含層神經(jīng)元的激活函數(shù)；c)每個(gè)輸出神經(jīng)元對應(yīng)的輸入模式tk都有一個(gè)目標(biāo)模式，其中輸出神經(jīng)元的誤差信息為δk＝tk-yok隱含層的誤差信息為δh=(Σk=1KδkWhk)sh]]>隱含神經(jīng)元的權(quán)重更新公式表示如下：Wjh(t+1)＝Wjh(t)+αδhxij+μ[Wjh(t)-Wjh(t-1)]輸出神經(jīng)元的權(quán)重更新表示如下：Whk(t+1)＝Whk(t)+αδksh+μ[Whk(t)-Whk(t-1)]公式中α是學(xué)習(xí)速率，μ是動(dòng)量因子；通過不斷地調(diào)整修正，達(dá)到終止?fàn)顟B(tài)，完成這個(gè)MLP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練工作。有益效果：本發(fā)明的所提出的方法可有效提取行星齒輪產(chǎn)生的故障特征信息，并根據(jù)提取的故障特征信息可實(shí)現(xiàn)行星齒輪故障診斷，是一種有效的行星齒輪故障特征信息提取方法，該方法自適應(yīng)能力強(qiáng)、準(zhǔn)確性高，可識(shí)別故障種類完善，可適應(yīng)行星齒輪傳動(dòng)過程中由制造誤差、安裝誤差、多齒傳動(dòng)等產(chǎn)生的干擾及外界噪聲影響，提高原有算法的完備性，準(zhǔn)確有效提取多種故障特征信息，實(shí)現(xiàn)行星齒輪故障識(shí)別與診斷。附圖說明圖1是本發(fā)明所述一種基于自適應(yīng)噪聲的完備總體經(jīng)驗(yàn)?zāi)B(tài)分解和模糊熵的行星齒輪故障診斷方法的流程圖；圖2是正常狀態(tài)、斷齒狀態(tài)、少齒狀態(tài)、齒輪磨損和齒根裂紋五種故障狀態(tài)的振動(dòng)信號(hào)時(shí)域波形圖；圖3是行星齒輪太陽輪斷齒故障信號(hào)經(jīng)過EEMD分解得到的12個(gè)IMF和1個(gè)殘余信號(hào)；圖4是行星齒輪太陽輪斷齒故障信號(hào)經(jīng)過CEEMDAN分解得到的12個(gè)IMF和1個(gè)殘余信號(hào)；圖5是EEMD和CEEMDAN分解后IMF分量進(jìn)行重構(gòu)后的重構(gòu)誤差圖。圖6是經(jīng)過CEEMDAN分解后的各IMF分量的樣本熵和模糊熵對比圖。圖7是五種齒輪故障狀態(tài)的樣本熵和模糊熵的箱圖。圖8是神經(jīng)網(wǎng)絡(luò)不同的隱含層數(shù)對均方差的影響。圖9是神經(jīng)網(wǎng)絡(luò)不同的隱含層數(shù)對整體故障識(shí)別率的影響。具體實(shí)施方式下面結(jié)合附圖和具體實(shí)施方式，對本發(fā)明作進(jìn)一步的詳細(xì)說明。如圖1所示，發(fā)明所述的一種基于自適應(yīng)噪聲的完備總體經(jīng)驗(yàn)?zāi)B(tài)分解(CompleteEnsembleEmpiricalModeDecompositionWithAdaptiveNoise，以下簡稱為CEEMDAN)和模糊熵的行星齒輪故障診斷方法，包括以下步驟：1)振動(dòng)信號(hào)采集利用振動(dòng)傳感器測量行星齒輪箱殼體的振動(dòng)信號(hào)，得到的振動(dòng)信號(hào)包括行星傳動(dòng)太陽輪正常狀態(tài)、斷齒狀態(tài)、少齒狀態(tài)、齒輪磨損和齒根裂紋五種類型；行星齒輪故障實(shí)驗(yàn)在美國SpectraQuest公司的DDS機(jī)械故障綜合模擬實(shí)驗(yàn)臺(tái)上進(jìn)行。本實(shí)驗(yàn)共測量行星齒輪太陽輪正常狀態(tài)、斷齒狀態(tài)、少齒狀態(tài)、齒輪磨損和齒根裂紋五種狀態(tài)，通過對所采集振動(dòng)信號(hào)進(jìn)行分析，檢驗(yàn)所建立的基于自適應(yīng)噪聲的完備總體經(jīng)驗(yàn)?zāi)B(tài)分解和模糊熵的行星齒輪故障診斷方法。該仿真平臺(tái)由電機(jī)、行星變速器、固定軸齒輪箱、負(fù)載系統(tǒng)、加速度傳感器和數(shù)據(jù)采集系統(tǒng)組成。行星式變速器具有2級(jí)行星齒輪的結(jié)構(gòu)，在行星齒輪箱上安裝的振動(dòng)傳感器用來收集由行星齒輪產(chǎn)生的振動(dòng)信號(hào)。在實(shí)驗(yàn)過程中，電機(jī)的轉(zhuǎn)速設(shè)定為40Hz，負(fù)載設(shè)置為13.5Nm。由于二級(jí)行星齒輪的太陽齒輪故障很容易出現(xiàn)在行星齒輪傳動(dòng)中，所以在這項(xiàng)研究中選用其作為樣本。采樣頻率設(shè)置為12800Hz，負(fù)責(zé)采集這五種類型的齒輪振動(dòng)信號(hào)。基于CEEMDAN和模糊熵的行星齒輪故障診斷方法，對振動(dòng)信號(hào)的進(jìn)行測試計(jì)算。2)首先利用CEEMDAN對行星齒輪原始振動(dòng)信號(hào)進(jìn)行分解提取包含故障特征信息的完備本征模態(tài)函數(shù)(IntrinsicModeFunctions，以下簡稱為IMF)，通過對行星齒輪原始振動(dòng)信號(hào)逐層添加自適應(yīng)白噪聲并分解，克服了總體經(jīng)驗(yàn)?zāi)B(tài)分解(EnsembleEmpiricalModeDecomposition，以下簡稱EEMD)模態(tài)混疊及完備性缺失等問題，獲得高質(zhì)量完備的IMF分量。CEEMDAN分解過程如下：a)選擇加入的白噪聲次數(shù)M，設(shè)置為100，噪聲幅值為0.2倍原始信號(hào)標(biāo)準(zhǔn)差的，加入m次白噪聲的加噪振動(dòng)信號(hào)表示如下xm(t)＝x(t)+nm(t)b)對加入白噪聲的振動(dòng)信號(hào)進(jìn)行EMD分解，得到I個(gè)IMF1；其EMD分解過程如下：①時(shí)間序列信號(hào)xm(t)，上下包絡(luò)線分別為u(t)和v(t)，上下包絡(luò)線的平均為w(t)，用xm(t)減去w(t)，剩余的部分為h1(t)h1(t)＝xm(t)-w(t)②用h1(t)代替xm(t)，與h1(t)對應(yīng)的上下包絡(luò)線分別為u1(t)和v1(t)，重復(fù)移動(dòng)過程，即w1(t)＝{u1(t)+v1(t)}/2h2(t)＝h1(t)-w1(t)……wk-1(t)＝{uk-1(t)-vk-1(t)}/2hk(t)＝hk-1(t)-wk-1(t)直到所得的hk(t)滿足IMF的兩個(gè)條件，這樣就分解得到第一個(gè)本征模函數(shù)c1(t)和信號(hào)的剩余部分r1(t)。r1(t)＝x(t)-c1(t)r1(t)中仍包含原始信號(hào)的頻率信息，將其作為新的信號(hào)重復(fù)EMD分解過程，直到所得信號(hào)低于預(yù)先給定的值時(shí)，分解完畢。原信號(hào)可表示為所有IMF及余量之和。x(t)=Σi=1nci(t)+rn(t)]]>c)如果m<M，m＝m+1，再次進(jìn)行步驟2)和3)r1(t)，直到m＝M；d)計(jì)算M次加入噪聲分解的每一個(gè)IMF1的總體平均，并得出剩余信號(hào)r1(t)IMF1(t)=1MΣm=1ME{x(t)+ϵ0ωm(t)}]]>r1(t)＝x(t)-IMF1(t)e)計(jì)算第二個(gè)本征模態(tài)函數(shù)IMF2，計(jì)算過程如下IMF2(t)=1MΣm=1ME1{r1(t)+ϵ1E1(ωm(t))}]]>f)對于其他IMF，定義k＝1,2,3.....K，第k+1個(gè)IMF可由下式表示rk(t)=rk-1(t)-IMFk(t)IMFk+1(t)=1MΣm=1ME1{rk(t)+ϵkEk(ωm(t))}]]>g)重復(fù)步驟f)，直到剩余信號(hào)的極值點(diǎn)不超過兩個(gè)，停止分解，最終得到完備的本征模態(tài)函數(shù)。以行星齒輪斷齒分析為例，從圖3和圖4可以看出，振動(dòng)信號(hào)被分解為12個(gè)分量和1個(gè)殘余信號(hào)，為了表示方便，殘余信號(hào)表示為IMF13。IMF1-IMF13是頻率由高到低排列。由于振動(dòng)信號(hào)是非平穩(wěn)的，EEMD分解結(jié)果仍然存在模態(tài)混疊現(xiàn)象，例如IMF6，IMF8和IMF9。同時(shí)，也出現(xiàn)了一些虛假的成分，例如IMF7和IMF9。而CEEMDAN分解得結(jié)果，可以看出IMF9分量的質(zhì)量大大提高，并進(jìn)一步抑制模態(tài)混疊現(xiàn)象。同時(shí)，減少了虛假的成分。為了驗(yàn)證CEEMDAN完備性，EEMD和CEEMDAN重構(gòu)誤差如圖5所示，通過觀察重構(gòu)誤差可以證明CEEMDAN方法具有更好的完備性，其分解結(jié)果和原始信號(hào)誤差更小，包含更準(zhǔn)確的特征信息的IMF分量。3)基于模糊熵理論的故障特征提取，首先定義由本征模態(tài)函數(shù)IMF組成的向量組AiAi＝{z(i),z(i+1),...,z(i+m-1)}-u0(i)i＝1,2,...,n-m+1其中u0(i)為每個(gè)向量的均值，m表示向量的長度，表示函數(shù)如下u0(i)=1mΣe=1m-1z(i+e)]]>計(jì)算每組向量之間的距離dijm(Ai,Aj)=max(|Ai(l)-Aj(l)|),l=1,2,...,n]]>挑選模糊函數(shù)描述每組向量之間的相似性，函數(shù)類型選用指數(shù)函數(shù)Dijm=e-(dijm/r)n]]>其中r為相似極限，其通常根據(jù)信號(hào)的標(biāo)準(zhǔn)差進(jìn)行選取，通常選用0.1-0.2sd，我們這里選用r＝0.15sd，n是標(biāo)準(zhǔn)偏差的便捷梯度，為了捕捉盡可能多的詳細(xì)信息，建議采取一個(gè)較小的整數(shù)值，如2或3，這里選用n＝2。m的值太小會(huì)導(dǎo)致比較向量包含的信息量少，而過大的值會(huì)導(dǎo)致比較向量的數(shù)目很小。在一些實(shí)驗(yàn)后，確定m的參數(shù)值為7000。求取表示函數(shù)Bm，Bm=1n-mΣi=1n-m|1n-m-1Σj=1,j≠in-mDijm|]]>令m＝m+1，重復(fù)步驟(1)到(4)，得Bm+1Bm+1=1n-m-1Σi=1n-m-1|1n-m-2Σj=1,j≠in-m-1Dijm+1|]]>模糊熵通過求相鄰函數(shù)Bm比值的對數(shù)即可得出：FuzzyEn=ln(Bm/Bm+1)]]>為了證明模糊熵與樣本熵相比具有更好的性能，進(jìn)行CEEMDAN分解的每一個(gè)IMF的樣本熵和模糊熵如圖6所示。圖6中各IMF分量的模糊熵的重疊現(xiàn)象雖然也有出現(xiàn)，但和各IMF分量的樣本熵相比，重疊現(xiàn)象較小。圖7相同齒輪的樣本熵的分布相對分散，這意味著用樣本熵處理的不同齒輪時(shí)有較大的波動(dòng)值。由此可知，用樣本熵來描述信號(hào)的相似性是不準(zhǔn)確和不完整的，而且這種情況將增加齒輪狀態(tài)識(shí)別的難度。而用模糊函數(shù)來描述信號(hào)的相似性，相同齒輪的分布相對集中且價(jià)值波動(dòng)較小。因此，利用模糊熵可解決特征計(jì)算過程中信號(hào)的相似性描述等問題，在特征提取方面優(yōu)于樣本熵，可以更容易區(qū)分五種類型的齒輪，并具有更好的魯棒性。4)將各IMF的模糊熵作為多層感知神經(jīng)網(wǎng)絡(luò)的輸入?yún)?shù)進(jìn)行多層感知神經(jīng)網(wǎng)絡(luò)(MultilayerPerceptronNeuralNetwork，以下簡稱MLP神經(jīng)網(wǎng)絡(luò))訓(xùn)練。a)初始化MLP神經(jīng)網(wǎng)絡(luò)的連接權(quán)值，并將提取的特征傳遞到輸入層。然后將所輸入的特征傳遞到隱含層，計(jì)算隱含層的每個(gè)神經(jīng)元的輸出：sh=f(ΣjJxijWjh+θh)]]>其中：xij是輸入特征；Wjh是輸入神經(jīng)元和隱含神經(jīng)元之間的連接權(quán)值；θh是偏差值；f()是隱含神經(jīng)元的激活函數(shù)；b)將隱含層神經(jīng)元的計(jì)算結(jié)果傳遞到輸出層進(jìn)行計(jì)算得到輸出神經(jīng)元：yok=g(ΣjJshWhk+ηk)]]>其中：sh是第h個(gè)隱含層輸出；Whk是隱含層神經(jīng)元和輸出層神經(jīng)元之間的連接權(quán)值；ηk是偏差值；g()是隱含層神經(jīng)元的激活函數(shù)；c)每個(gè)輸出神經(jīng)元對應(yīng)的輸入模式tk都有一個(gè)目標(biāo)模式，其中輸出神經(jīng)元的誤差信息為：δk＝tk-yok隱含層的誤差信息為：δh=(Σk=1KδkWhk)sh]]>隱含的神經(jīng)元的權(quán)重更新表示如下：Wjh(t+1)＝Wjh(t)+αδhxij+μ[Wjh(t)-Wjh(t-1)]輸出神經(jīng)元的權(quán)重更新表示如下:Whk(t+1)＝Whk(t)+αδksh+μ[Whk(t)-Whk(t-1)]通過不斷調(diào)整，修正，達(dá)到終止?fàn)顟B(tài)，完成這個(gè)神經(jīng)網(wǎng)絡(luò)的訓(xùn)練工作。實(shí)驗(yàn)中，我們首先建立訓(xùn)練樣本集，每個(gè)行星齒輪狀態(tài)有30個(gè)樣本，共150個(gè)樣本。以CEEMDAN分解的每一個(gè)IMF的模糊熵作為MLP神經(jīng)網(wǎng)絡(luò)的輸入，所以MLP神經(jīng)網(wǎng)絡(luò)的輸入層有13個(gè)輸入神經(jīng)元，樣本最后被分為五種類型，所以MLP神經(jīng)網(wǎng)絡(luò)輸出層有5個(gè)輸出神經(jīng)元。為了訓(xùn)練MLP神經(jīng)網(wǎng)絡(luò)，為不同的行星齒輪狀態(tài)在輸出層中用不同的標(biāo)簽表示。正常齒輪由(10000)表示，斷齒狀態(tài)由(01000)表示，缺齒狀態(tài)由(00100)磨齒狀態(tài)由(00010)表示，齒根斷裂由(00001)表示。隱含層神經(jīng)元的數(shù)目通常由試驗(yàn)誤差決定，設(shè)定MLP神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)率為0.5，訓(xùn)練步數(shù)設(shè)為80，用均方誤差來評(píng)價(jià)MLP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練效果，完成MLP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練。隱含層不同神經(jīng)元個(gè)數(shù)訓(xùn)練過程中均方誤差的變化如圖8所示。建立不同行星齒輪狀態(tài)數(shù)據(jù)的測試樣本，每個(gè)行星齒輪狀態(tài)有40個(gè)樣本，共200個(gè)樣本。最后將測試樣本通過上述計(jì)算過程，完成故障特征的提取，并利用測試樣本驗(yàn)證訓(xùn)練的MLP神經(jīng)網(wǎng)絡(luò)的識(shí)別性能。將測試樣本集的正確識(shí)別數(shù)與訓(xùn)練樣本集總數(shù)量之間的比例定義為該故障診斷系統(tǒng)識(shí)別率，在圖9中顯示了隱含層不同神經(jīng)元個(gè)數(shù)的行星齒輪總體識(shí)別率。從圖8中可以看出，均方差隨著訓(xùn)練步長的增加而下降，訓(xùn)練步長在65和80之間趨于平衡，MLP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練過程完成。隱含層具有不同的神經(jīng)元個(gè)數(shù)，最終均方差最小值也不相同，當(dāng)隱含層具有11個(gè)神經(jīng)元時(shí)，均方差最小，其值為0.0035。從圖9中可以看出，隨著訓(xùn)練步長的增加，具有不同的神經(jīng)元個(gè)數(shù)的隱含層的整體識(shí)別率都在增加。通過數(shù)據(jù)可以發(fā)現(xiàn)，在當(dāng)MLP神經(jīng)網(wǎng)絡(luò)隱含層取11個(gè)神經(jīng)元時(shí)，行星齒輪的整體識(shí)別率的最大值時(shí)，達(dá)到了91％。所以隱含層取11個(gè)神經(jīng)元的MLP神經(jīng)網(wǎng)絡(luò)對行星齒輪故障診斷性能最好，其針對五種行星齒輪狀態(tài)的詳細(xì)識(shí)別率如表1所示。從表1可以看出，隱含層含有11個(gè)神經(jīng)元的MLP神經(jīng)網(wǎng)絡(luò)的整體識(shí)別率達(dá)到91％。磨損齒輪的識(shí)別率最低，達(dá)到87.5％。正常齒輪、缺齒齒輪和齒根斷裂齒輪的識(shí)別率分別為92.5％，90％和90％。實(shí)驗(yàn)證明，所提出的基于自適應(yīng)噪聲的完備總體經(jīng)驗(yàn)?zāi)B(tài)分解和模糊熵的行星齒輪故障診斷方法是有效的。表1不同故障狀況在11個(gè)隱含層神經(jīng)元下的故障識(shí)別率以上所述僅是本發(fā)明的優(yōu)選實(shí)施方式，應(yīng)當(dāng)指出：對于本
技術(shù)領(lǐng)域：
的普通技術(shù)人員來說，在不脫離本發(fā)明原理的前提下，還可以做出若干改進(jìn)和潤飾，這些改進(jìn)和潤飾也應(yīng)視為本發(fā)明的保護(hù)范圍。當(dāng)前第1頁1 2 3